面向青花瓷碎片图像的U-Net++拼接网络

针对现有图像拼接方法存在拼接处伪影以及非重叠区域内容失真,导致较低的准确性和鲁棒性的问题,提出一种基于U-Net++消除伪影的青花瓷碎片图像拼接方法.首先估计待拼接图像单应性矩阵;然后将单应性矩阵应用于结构拼接阶段,得到图像粗拼接结果;最后以图像粗拼接结果作为先验信息,在内容校正阶段改进现有的U-Net,利用U-Net++细化粗拼接结果,得到最终图像精确拼接.以青花瓷碎片图像数据集与相关经典方法进行实验的结果表明,在3个评价指标中,所提方法的峰值信噪比提高约13%,均方根误差降低约33%,均方误差降低57%左右;该方法具有较小的误差比,不仅能够提高图像拼接质量,而且表现出较好的鲁棒性.

基于动态图注意力机制的秦俑点云鲁棒配准

针对目前的点云配准方法在处理秦俑等文物模型时不能很好地解决分辨率不匹配、点云部分重叠、噪声点较多等问题,提出一种基于动态图注意力机制的ResUNet配准模型。该模型将残差模块融入U-Net网络中,使用三维稀疏体素卷积计算点云特征,并引入一种新的归一化技术:批邻域归一化(Batch-Neighborhood Normalization,BNHN),来提高特征对于点密度变化的鲁棒性;为了进一步提高配准性能,该模型通过自注意力机制和交叉注意力机制聚合局部特征和上下文特征,最后结合随机抽样一致性算法来估计源点云与目标点云之间的变化矩阵,完成秦俑文物模型的鲁棒配准。为了验证本文方法的有效与鲁棒,使用四组数据集(3DMatch、3DLoMatch、分辨率不匹配的3DMatch数据集以及两组秦俑数据)对配准模型进行测试,实验结果表明,该算法在3DMatch数据集和3DLoMatch数据集上的配准召回率分别达到90.1%和61.0%;在分辨率不匹配的3DMatch数据集,相比与基于特征学习的配准算法,该算法在配准召回率上提升了5%~20%;在秦俑数据集上,相对旋转误差均小于0.071,相对平移误差均小于0.016,相较于同类算法减少了一个量级或几倍。因此,本文的模型能够提取三维点云的关键特征信息,并且对点密度和重叠度变化具有更高的鲁棒性。

一种基于改进多光谱的稀疏角CB-XLCT成像方法

稀疏角锥束X射线发光断层成像(Sparse-view Cone-Beam X-ray Luminescence Computed Tomography,Sparse-view CB-XLCT)是一种新型的多模光学断层成像技术,在早期肿瘤的实时检测方面展现出了良好的应用潜力。然而,受限于有限投影数据的限制,稀疏角CB-XLCT成像的逆问题相对于传统多角度CB-XLCT,其病态性更为严重。针对上述问题,本文提出一种改进多光谱的稀疏角CB-XLCT成像方法,首先,基于多光谱策略构建系统矩阵并建模逆问题;接着,利用谱回归方法对上一步逆问题中的高维系统矩阵进行特征学习;随后,采用一种矩阵预处理方法有效降低系统矩阵的列相关性并建模为新的逆问题进行准确重建。分别设计多组仿体实验以及噪声测试实验,验证本文所提方法的有效性和鲁棒性。实验结果表明,所提方法不仅可有效求解稀疏角CB-XLCT成像逆问题,还具有良好的鲁棒性。

基于无监督网络框架的文物点云模型去噪

数字化技术在文物保护工作中的应用极大促进了文化遗产领域的快速发展。三维激光扫描设备获得的文物点云数据不可避免包含大量噪声,直接影响点云数据的后续处理。为有效去除无序点云中的噪声点,较好恢复点云数据,基于无监督网络提出了一种新型点云去噪算法。首先通过上层网络分类并去除离群点;然后通过引入空间先验项引导待去噪点云中数据点收敛到流形上多模式中最接近真实点云的最优模式,从去除离群噪声点的点云数据中得到干净点云的分布,实现无监督精细点云去噪;最后通过计算去噪后点云间的chamfer distance来进行定量评价。与一些经典算法的对比分析实验结果表明,所提算法在去噪的同时,能有效保持点云模型的几何特征,对文物点云数据的去噪效果良好,去噪后的点云模型极大程度复原了原始干净点云模型,这对文物数字化保护的后续环节至关重要。

面向文物稠密点云模型的压缩复原框架

针对激光扫描仪获取的三维文物稠密点云模型在数据存储、远程传输与处理等环节导致的资源过度消耗问题,提出了一种基于贪婪算法的快速压缩与恢复框架。首先,将点云模型视为三维离散几何信号,用基于哈希函数的八叉树方法构建稠密点云的邻域约束关系。然后,计算点云邻接矩阵并构建离散拉普拉斯基对原信号进行稀疏表示,通过随机高斯矩阵对原信号进行随机采样,以完成信号压缩。最后,引入L_(0)正则化算子,采用四种经典的贪婪算法进行快速求解。用兵马俑头部点云模型和唐三彩胡人俑三维文物点云模型进行仿真测试,结果表明,本框架能完成对稠密点云模型的有效压缩和模型的快速重建。